AI 自動翻訳
2026年10月24日、『A Reality Check of Inference-Time Context Augmentation Methods』という題名の研究論文がarXivに掲載され（ID: 2610.30983v1）、推論時コンテキスト拡張手法5種類について体系的な実証評価が行われました。これらの手法は、入力に情報のない補助語からコンテキストの詳細な記述まで、さまざまな性質の内容を挿入することで、大規模言語モデル（LLM）の与えられた文脈の活用能力を向上させ、ハルシネーションやパラメータ化された知識への過度な依存を軽減することを試みています。
研究では、文単位で5つの手法を7種類の異なる規模のLLMにそれぞれ適用し、3つのデータセット上で評価を行った。その結果、いわゆる「精度の向上」は必ずしも堅牢な改善を示すわけではなく、多くの場合、意図しない擾乱の結果であることが明らかになった——すなわち、一部の予測が予期せず修正される一方で、本来正しいはずの別の予測が破壊されてしまうのである。特に、挿入される内容が計算時間を増加させるだけの補助的な語句（実質的な情報を持たないもの）にとどまる場合には、この現象はより顕著に見られる。
さらに分析した結果、追加の意味情報を導入しない手法は、主にモデルの決定境界付近のサンプルに対して影響を及ぼすことが明らかになり、その作用メカニズムは認知的強化というよりはノイズによる擾乱に近いことが示された。論文はこれに基づき、こうした手法を実際の用途に導入する前に、平均的な指標の向上のみに着目するのではなく、精度向上の信頼性（たとえば安定性、一般化性能、エラーのパターンなど）について独立した検証を行う必要があることを強調している。